利用PyCharm Profile分析异步爬虫效率详解_Python

今天比较忙，水一下

下面的代码来源于这个视频里面提到的，github 的链接为：github.com/mikeckenned…

第一个代码如下，就是一个普通的 for 循环爬虫。原文地址。

				?

									import requests

									import bs4

									from colorama import fore

									def main():

									 get_title_range()

									 print("done.")

									def get_html(episode_number: int) -> str:

									 print(fore.yellow + f"getting html for episode {episode_number}", flush=true)

									 url = f'https://talkpython.fm/{episode_number}'

									 resp = requests.get(url)

									 resp.raise_for_status()

									 return resp.text

									def get_title(html: str, episode_number: int) -> str:

									 print(fore.cyan + f"getting title for episode {episode_number}", flush=true)

									 soup = bs4.beautifulsoup(html, 'html.parser')

									 header = soup.select_one('h1')

									 if not header:

									  return "missing"

									 return header.text.strip()

									def get_title_range():

									 # please keep this range pretty small to not ddos my site. ;)

									 for n in range(185, 200):

									  html = get_html(n)

									  title = get_title(html, n)

									  print(fore.white + f"title found: {title}", flush=true)

									if __name__ == '__main__':

									 main()

这段代码跑完花了37s，然后我们用 pycharm 的 profiler 工具来具体看看哪些地方比较耗时间。

点击profile (文件名称)

利用PyCharm Profile分析异步爬虫效率详解

之后获取到得到一个详细的函数调用关系、耗时图：

利用PyCharm Profile分析异步爬虫效率详解

可以看到 get_html 这个方法占了96.7%的时间。这个程序的 io 耗时达到了97%，获取 html 的时候，这段时间内程序就在那死等着。如果我们能够让他不要在那儿傻傻地等待 io 完成，而是开始干些其他有意义的事，就能节省大量的时间。

稍微做一个计算，试用asyncio异步抓取，能将时间降低多少？

get_html这个方法耗时36.8s，一共调用了15次，说明实际上获取一个链接的 html 的时间为36.8s / 15 = 2.4s。**要是全异步的话，获取15个链接的时间还是2.4s。**然后加上get_title这个函数的耗时0.6s，所以我们估算，改进后的程序将可以用 3s 左右的时间完成，也就是性能能够提升13倍。

再看下改进后的代码。原文地址。

				?

									import asyncio

									from asyncio import abstracteventloop

									import aiohttp

									import requests

									import bs4

									from colorama import fore

									def main():

									 # create loop

									 loop = asyncio.get_event_loop()

									 loop.run_until_complete(get_title_range(loop))

									 print("done.")

									async def get_html(episode_number: int) -> str:

									 print(fore.yellow + f"getting html for episode {episode_number}", flush=true)

									 # make this async with aiohttp's clientsession

									 url = f'https://talkpython.fm/{episode_number}'

									 # resp = await requests.get(url)

									 # resp.raise_for_status()

									 async with aiohttp.clientsession() as session:

									  async with session.get(url) as resp:

									   resp.raise_for_status()

									   html = await resp.text()

									   return html

									def get_title(html: str, episode_number: int) -> str:

									 print(fore.cyan + f"getting title for episode {episode_number}", flush=true)

									 soup = bs4.beautifulsoup(html, 'html.parser')

									 header = soup.select_one('h1')

									 if not header:

									  return "missing"

									 return header.text.strip()

									async def get_title_range(loop: abstracteventloop):

									 # please keep this range pretty small to not ddos my site. ;)

									 tasks = []

									 for n in range(190, 200):

									  tasks.append((loop.create_task(get_html(n)), n))

									 for task, n in tasks:

									  html = await task

									  title = get_title(html, n)

									  print(fore.white + f"title found: {title}", flush=true)

									if __name__ == '__main__':

									 main()